python提取GFF3文件信息

最新推荐文章于 2025-04-22 16:25:56 发布

星轨无尽

最新推荐文章于 2025-04-22 16:25:56 发布

阅读量9k

点赞数 5

CC 4.0 BY-SA版权

分类专栏：生信文章标签： python gff3 生物信息字典合并

本文首发于公众号：柠檬培养师（ID: yantinger90），欢迎关注！

本文链接：https://blog.youkuaiyun.com/github_37480618/article/details/56480214

本文介绍如何使用Python脚本从GFF3文件中提取重复序列的种类、数量和bp数。通过读取文件的特定列，根据来源判断分类，统计各类重复序列的详细信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

因为最近使用REPET这个程序对基因组进行重复序列的注释，但是最后输出的结果是GFF3格式的文件，缺少统计信息。因此用python写了个脚本，对GFF3的信息进行提取并统计。

GFF3文件

想要从GFF3文件中提取的信息为重复序列的种类，数量，以及bp数。
GFF3文件分为9列，这次用到是第2、4、5、9列，分别代表来源，序列起始位置，结束位置，以及属性。
重复序列的种类可以从第9列属性中提取，bp数以（结束位置-起始位置+1）进行计算，数量则在过程中统计。

思路

按行读入GFF3文件，以”\t“符号分解。首先通过第2列，判断来源，有3种来源：
1. TEs
2. SSRs
3. blastx or tblasts

不同的来源，后缀不同，通过判断相应的字符串是否在第2列字符串中来判断是哪种来源。再通过第9列属性字符串，判断相应的分类代码字符串是否在其中，如果在其中，则将分类代码放入一个列表，然后以分类代码为键，bp数为值生成字典。
for循环不断读入，列表增长，字典合并，最后将列表唯一化，通过Counter类生成相应的字典，这个字典的值就是各分类的数量。

代码

生成字典是通过事先定义一个函数的方式实现的：

def return_TEs(lines):
    TEs=['RYX', 'RXX-LARD', 'RIX', 'RLX', 'RPX', 'RSX', 'RXX-TRIM', 'DYX', 'DHX',
    'DXX-MITE', 'DMX', 'DTX', 'RXX-chim', 'DXX-chim', 'noCat']
    (seqid, source, seqtype, start, end, score, strand, phase, attributes) =\
    lines.split('\t')
    te_len = int(end) - int(start) + 1
    for te in TEs:
        if te in attributes:
            return {te:te_len}